【正文】 參考文獻(xiàn) [1]陳勝勇 ,劉盛等 .基于 OpenCV的計(jì)算機(jī)視覺技術(shù)實(shí)現(xiàn) [M].北京 :科學(xué)出版社 ,2021:15. [2]張翠平 ,蘇光人 .人臉識(shí)別技術(shù)綜述 [J].中國(guó)圖像圖形學(xué)報(bào) ,2021,5(11):886889. [3]Chellappa R.,Wilson .,Sirohey S..Human and machine recohnition of faces[J] Proceedings of the IEEE,1995,83(5):711740 [4]周杰 ,盧春雨 ,張長(zhǎng)水 ,李衍達(dá) .人臉自動(dòng)識(shí)別綜述 [J].電子學(xué)報(bào) ,2021,28(4):102106 [5], and learning graphs and pose on image sequences of faces[J].IEEE ICFQ,1995:176181. [6]Sung K.,Poggio T..Examplebased learning for view based human face detection[J].IEEE Pattern Analysis and Machine Intelligence,1998, 20(1):3951. [7]梁路宏 ,艾海舟等 .人臉檢測(cè)研究綜述 [J].計(jì)算機(jī)學(xué)報(bào) ,2021,25(5):449458. [8]謝鳳英，趙丹培 .Visual C++數(shù)字圖像處理 [M].北京 :電子工業(yè)出版社 :6263， 9091， 239240， 250265. [9]Yang .,Huang ..Human face detection in a plex background[J].Pattern Recognition,1994,27(1):5363. [10]Han CC,Liao HY,Yu GJ,Chen face detection via morphologybased preprocessing[J].Pattern Recognition,2021,33(10):17011712. [11]Bruneli R.,Poggio T..Face recognition:features versus templates[J].IEEE Pattern Analysis and Machine Intelligence,1993,15(10):10421052. [12]Moghaddam A..Probabilistic visual learning for object representation[J].IEEE Pattern Analysis and Machine Intelligence,1997,19(7):696710. [13]Rowley ..Neural work–based face detection[D].CMUCS99117,1999 [14]Rowley .,Baluja S.,Kanade T..Neural work–based face detection[J].IEEE Pattern Analysis and Machine Intelligence,1998,20(1):2328. [15]Rowley .,Baluja S.,Kanade T..Rotation invariant neural work–based face detection[J].IEEE Vision and Pattern Recognition,1998:3944. [16], training algorithm for optimal margin classifier[J].5th ACM Workshop on Computational Learning Theory,1992:144152. [17]王志良 ,孟秀艷 .人臉工程學(xué) [M].北京 :機(jī)械工業(yè)出版社 ,2021:9094. [18]顏蔣國(guó) ,潘立登 .基于 Gabor小波的人臉特征點(diǎn)跟蹤方法 [J].計(jì)算機(jī)應(yīng)用 ,2021,24(7):5051. [19]段鴻 ,程義民 ,王以孝 ,蔡尚書 .基于 Kanade Lucas Tomasi 算法的人臉特征點(diǎn)跟蹤方 法 [J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào) ,2021,16(3):279280. [20]楊春玲 ,倪晉麟 .基于轉(zhuǎn)換坐標(biāo)卡爾曼濾波算法的雷達(dá)目標(biāo)跟蹤 [J].現(xiàn)代雷達(dá) ,1998,20(5). [21]馮艷 .格子基搜索算法解優(yōu)化問題的一些研究 [碩士學(xué)位論文 ][D].大連 ,大連理工大學(xué) ,2021. [22]徐林忠 .基于粒子濾波和卡爾曼濾波的復(fù)雜場(chǎng)景下視覺跟蹤 [D].浙江 ,浙江大學(xué) ,2021. [23]馮冬青 ， 丁鍇 .視頻中基于膚色 模型的人臉檢測(cè) .計(jì)算機(jī)應(yīng)用與軟件 [國(guó)家自然科學(xué)基金項(xiàng)目(60774059） ]， 2021. 。 我們主要研究了基于膚色的人臉檢測(cè)方法檢測(cè)視頻圖像中的人臉以及通過背景差分法對(duì)視頻中運(yùn)動(dòng)目標(biāo)的檢測(cè)與追蹤，并基于膚色模型與人臉的眼部特征（啟發(fā)式特征人臉檢測(cè)）相結(jié)合對(duì)視頻中運(yùn)動(dòng)目標(biāo)的人臉進(jìn)行檢測(cè)與跟蹤。 具體來(lái)說，本文完成的主要工作總結(jié)如下： 詳細(xì)分析了人臉檢測(cè)與跟蹤的相關(guān)理論和主流方法，將人臉檢測(cè)的方法分為基于膚色的檢測(cè)方法、基于啟發(fā)式模型的方法和基于統(tǒng)計(jì)模型的方法等；人臉跟蹤的方法主要分為基于特征檢測(cè)的方法、基于模型的方法和基于貝葉斯 濾波的方法等。本文學(xué)習(xí)了前人在人臉檢測(cè)與跟蹤的主要方法，給出了基于膚色人臉檢測(cè)與人臉的眼部特征（啟發(fā)式特征人臉檢測(cè)）相結(jié)合對(duì)視頻中運(yùn)動(dòng)目標(biāo)的人臉進(jìn)行檢測(cè)與跟蹤的方法。 第 5章 總結(jié) 人臉檢測(cè)與跟蹤問題的內(nèi)涵十分廣泛，由于人臉模式的復(fù)雜性，實(shí)現(xiàn)通用的人臉檢測(cè)與跟蹤方法還不現(xiàn)實(shí)。這是可以改進(jìn)的地方。 圖 臉部檢測(cè)結(jié)果 本章小結(jié) 本章采用圖像差分法先檢測(cè)出運(yùn)動(dòng)區(qū)域，消除了背景對(duì)人臉檢測(cè)的影響，所有了搜索的范圍，利用膚色在 YCrCb空間里的聚類性來(lái)檢測(cè)人臉區(qū)域，同時(shí)為了去除亮度對(duì)膚色的影響，增強(qiáng)檢測(cè)的可靠性，采用了亮度補(bǔ)償，最后選取了人臉的眼部特征作為條件確定人臉區(qū)域，實(shí)驗(yàn)結(jié)果顯示，改算法有一定的實(shí)時(shí)性。對(duì)眼部的檢測(cè)使用算法為 : )/(311 22 CrCbCrCbF e c ??? （ ） 1),( ),( ???? yxgY yxgYFecl （ ） 2 A N D 1 FecFecFec ? （ ） Cr 為 Cr 的負(fù) (如 255Cr)， ? 是形態(tài)學(xué)中的膨脹運(yùn)算， ? 是腐蝕運(yùn)算， g 的定義g: )9(2 RRG ?? ， AND為與運(yùn)算。在灰度空間中設(shè)定自動(dòng)閾值可以得到如圖 圖 圖 眼部特征檢測(cè) 初級(jí)處理后的二值圖像除臉部外，還有其他部位如手、胳膊、頸部等也顯示出來(lái)了。 ? ?? ?? Ti Ti ii pip0 00 /? （ ） ? ???? ???? 11 111 /LTi LTi ii pip? （ ） 類間方差定義為 : 2112021 )()( TT ww ????? ???? （ ） 其中 10ww 表示 C0C1 在圖中出現(xiàn)的概率， T? 表示整幅圖的灰度均值，然后令 T 在 L 個(gè)灰度內(nèi)依次取值，使 2? 最大者為最終閾值。 ip 為第 i 灰度級(jí)像素的概率。自動(dòng)閾值通常有 Otsu 法，迭代式閾值選擇法和最小誤差閾值選擇法。與原圖 (如圖 )比較可發(fā)現(xiàn)膚色部位已經(jīng)可以很容易地分辨出來(lái)。 Y是指亮度分量， Cb是藍(lán)色色度分量， Cr是紅色色度分量。 本方法處理后得出的圖像進(jìn)行光補(bǔ)償后就可以檢測(cè)圖像中的人臉。本文中鑒于 要達(dá)到實(shí)時(shí)性的目的，簡(jiǎn)化地將各個(gè)像素 R、 G、 B三分量的和擴(kuò)展到最高的 255，進(jìn)行光補(bǔ)償。 圖像中由于光照影響，部分區(qū)域轉(zhuǎn)化為 YCbCr空間時(shí)，人臉膚色聚類性變差，簡(jiǎn)單來(lái)說既是從背景中提取人臉能力變差。在 YCbCr空間中，眼特征可以用本文算法提取出來(lái)?；谀w色在 YCbCr 空間中良好的聚類性，本文在 YCbCr 空間下構(gòu)建模型。 RGB 是最常見的彩色模型，然而， RGB空間更適合于顯示系統(tǒng)。顏色空間指某個(gè)三維顏色空間中的一個(gè)可見光的子集，它包含某個(gè)色彩域的所有色彩。此時(shí)對(duì)每一幀的處理實(shí)際上是對(duì)一個(gè)靜態(tài)圖像的運(yùn)算。在此，則使用一種背景差分法和瞬時(shí)差分法相結(jié)合的方法，首先根據(jù)一定數(shù)量的視頻序列，采用基于高斯統(tǒng)計(jì)模型的方法會(huì)的背景圖像，后續(xù)中然后對(duì)每一幀視頻圖像，采用瞬時(shí)差分識(shí)別出運(yùn)動(dòng)目標(biāo)的輪廓，然后用這幀圖像運(yùn)動(dòng)目標(biāo)輪廓以外的區(qū)域?qū)Ρ尘澳Ｐ瓦M(jìn)行基于統(tǒng)計(jì)濾波的更新。一種簡(jiǎn)單的獲取背景圖像的方法是當(dāng)場(chǎng)景中無(wú)任何目標(biāo)出現(xiàn)時(shí)捕捉背景圖像，但是這種方法有很多局限性?，F(xiàn)在我們來(lái)實(shí)現(xiàn)膚色模型視頻中 的人臉檢測(cè)定位，其算法流程圖如下： 采 集 視 頻圖 像 差 分 及 二 值 化運(yùn) 動(dòng) 區(qū) 域 進(jìn) 行 膚 色 檢 測(cè)是 否 有 運(yùn) 動(dòng) 區(qū) 域眼 特 征 檢 測(cè)是 否 包 含 眼 特 征在 圖 中 標(biāo) 示 不 標(biāo) 示是否是否 圖 視頻中人臉檢測(cè)算法流程 ]23[ 圖像差分 —— 運(yùn)動(dòng)目標(biāo)提取 背景差分法是利用當(dāng)前圖像與背景圖像的差分來(lái)識(shí)別出運(yùn)動(dòng)目標(biāo)的方法。 另一個(gè)是人臉膚色建模和閾值化的過程中，針對(duì)不同背景圖像，分割的效果也可能不理想，這也在一定程度上影響了檢測(cè)定位的精度，所以為了能更準(zhǔn)確的分割出人臉區(qū)域，我們可以從人臉的其他特征入手，從而減少閾值分割的非最佳性，并且我們可以在色彩轉(zhuǎn)換之前進(jìn)行光補(bǔ)償來(lái)改善顏色的聚類性。這就使得在多人臉，或者人臉有重疊的情況不能夠很好的檢測(cè)。 但是這個(gè)程序僅僅對(duì)單張圖片中的單一人臉具有很好的檢測(cè)效果，這就使得程序具有很大的局限性。 cvRectangle(pFrame,cvPoint(,),cvPoint(+,+),color,12)。 IplImage* Threshold(IplImage* pFrame)。 本章小結(jié) 這一章主要完成是從視頻中截取一幅圖片，然后對(duì)這張圖片進(jìn)行彩色空間轉(zhuǎn)換，二值化操作分割出人臉區(qū)域，最后利用掃描的方法定位人臉區(qū)域，在 RGB圖像中進(jìn)行標(biāo)定人臉。一旦得到人臉在單幀圖像中的位置坐標(biāo)后，就可以在原來(lái)的、以 RGB彩色空間表示的單 幀圖像中，把滿足這個(gè)（由（ x1,y1），（ x2,y1），（ x1,y2），（ x2,y2）這四個(gè)坐標(biāo)所確定下來(lái)的）矩形邊線給描敘出來(lái)。同理，再依次從左往右進(jìn)行掃描，記下人臉的左右邊界為 x1， x2。根據(jù)圖像的存儲(chǔ)原理，首先依次從下往上進(jìn)行掃描，出現(xiàn)白色像素的 第一行就是人臉的下邊界，記該行為 y1。 人臉定位 當(dāng)二值化的單幀圖像完成后處理操作后，如果該單幀圖像中確有人臉的存在，則按照如下算法定位人臉區(qū)域。由于環(huán)境的復(fù)雜性，在圖像中存在與人臉膚色模型相近像素。 圖 該圖中所描繪的區(qū)域可以用下列不等式組表達(dá) ： 不等式組一： ?? tan1 ???????? )( )(VCrUCb? ? 且 43? 22 )()( CrCb ? ? 78 （ ） 不等式組二： ? ? tan1 ???????? )( )(VCrUCb? ? 且 0? 22 )()( CrCb ? ? 70 （ ） 但是在程序中我們并沒有這么來(lái)進(jìn)行閾值化，而是通過 Cr和 Cb兩個(gè)分量來(lái)實(shí)現(xiàn)閾值化分割人臉區(qū)域的，經(jīng)過多次試驗(yàn)，我們發(fā)現(xiàn) Cr和 Cb滿足下面的式子就可以很好的分割出人來(lái)區(qū)域了，式子 如下： Cr≤ 173且 Cb≤ 144 () 即： Cr 在 150附近取值， Cb 在 120 附近取值，在實(shí)現(xiàn)中，我們可以嘗試最佳分割閾值，為式子 (6)。用淺膚色類來(lái)判斷白種人，用中等膚色類來(lái)判斷黃種人，用深膚色類來(lái)判斷印第安人。為了確定在 UV（ CrCb）圖中的臉部膚色精確度，使用重復(fù)實(shí)驗(yàn)法來(lái)找出壓縮方法，用于在不同的膚色變換情況下，確定所有實(shí)驗(yàn)人臉都共有的色度性質(zhì)。 為了尋找適合的人臉膚色模型，我們首先依照所介紹的人 臉膚色模型進(jìn)行實(shí)驗(yàn)。因此，在確定人臉膚色模型時(shí)，我們可以把這種由膚色亮度值造成的差異忽略掉，即只采用膚色的色度值來(lái)確定人臉的膚色模型。